当前位置：首页 > wzjs >正文

重庆网站建设推广公司哪家好seo入门

wzjs 2025/7/28 10:24:59

重庆网站建设推广公司哪家好,seo入门,做物流网站的公司吗,北京建设工程信息网站「pandas」Pandas 基本数据操作、索引、赋值、排序更多内容请关注本人【pandas】专栏【目录】索引操作赋值操作排序操作一、索引操作 score np.random.randint(100, size(6, 3)) names ["同学1", "同学2", "同学3"] period ["期…

「pandas」Pandas 基本数据操作、索引、赋值、排序

更多内容请关注本人【pandas】专栏

【目录】

索引操作
赋值操作
排序操作

一、索引操作

score = np.random.randint(100, size=(6, 3))
names = ["同学1", "同学2", "同学3"]
period = ["期中", "期末"]
columns = ["语文", "英语", "数学"]
index = pd.MultiIndex.from_product([names, period])
df = pd.DataFrame(score, index=index, columns=columns)print(df)# 运行结果语文  英语  数学
同学1 期中    65    43    91期末     2     8     2
同学2 期中    22    44    87期末    68    43    17
同学3 期中     6     8    50期末    87    41    18

1.1 直接索引，行列索引（先行后列）

print(df['语文']['同学1'])	# 先行后列# 运行结果
期中    65
期末     2
Name: 语文, dtype: int32

1.2 loc函数索引

基于标签的索引器，用于通过行标签和列标签选择数据。

参数：行索引，列索引

单个标签（例如 df.loc['row_label', 'col_label']）
标签列表（例如 df.loc[['row1', 'row2'], ['col1', 'col2']]）
切片（例如 df.loc['row1':'row2', 'col1':'col2']）
布尔数组（例如 df.loc[df['col'] > 0]）

# 单个标签
print(df["同学1", "语文"])# 运行结果
期中    65
期末     2
Name: 语文, dtype: int32# 标签列表
print(df.loc[["同学1", "同学2"], ["语文", "数学"]])# 运行结果语文  数学
同学1 期中    65    91期末     2     2
同学2 期中    22    87期末    68    17# 切片
print(df.loc["同学1":"同学2", "语文": "数学"])	# 从结果上看这个是闭区间# 运行结果语文  英语  数学
同学1 期中    65    43    91期末     2     8     2
同学2 期中    22    44    87期末    68    43    17# 布尔数组
print(df.loc[df["数学"] > 60])# 运行结果语文  英语  数学
同学1 期中    65    43    91
同学2 期中    22    44    87

1.3 iloc函数索引

基于位置的索引器，用于通过行和列的整数位置选择数据

参数：行索引，列索引

单个整数（例如 df.iloc[0, 1]）
整数列表（例如 df.iloc[[0, 1], [1, 2]]）
切片（例如 df.iloc[0:2, 1:3]）
布尔数组（例如 df.iloc[df['col'] > 0]）

# 单个整数
print(df.iloc[0, 2], end='\n\n')# 运行结果
91# 整数列表
print(df.iloc[[0, 1], [1, 2]], end='\n\n')# 运行结果英语  数学
同学1 期中    43    91期末     8     2# 切片
print(df.iloc[0:2, 1:2], end='\n\n')# 运行结果英语
同学1 期中    43期末     8

二、赋值操作

修改单个值
修改整列值
修改多列
添加新列
使用条件赋值
apply、assign
修改行数据
at、iat
mask和where

# DataFrame示例
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=['x', 'y', 'z'])# 运行结果A  B
x  1  4
y  2  5
z  3  6

2.1 修改单个值

# 使用 loc 修改单个值
df.loc['x', 'A'] = 10# 使用 iloc 修改单个值
df.iloc[1, 1] = 20# 运行结果A   B
x  10   4
y   2  20
z   3   6

2.2 修改整列值

df['A'] = [100, 200, 300]# 运行结果A   B
x  100   4
y  200  20
z  300   6

2.3 修改多列

df[['A', 'B']] = [[1, 2], [3, 4], [5, 6]]# 运行结果A  B
x  1  2
y  3  4
z  5  6

2.4 添加新列

df['C'] = [7, 8, 9]# 运行结果A  B  C
x  1  2  7
y  3  4  8
z  5  6  9

2.5 使用条件赋值

# 将列 'A' 中大于 2 的值修改为 100
df.loc[df['A'] > 2, 'A'] = 100# 运行结果A  B  C
x    1  2  7
y  100  4  8
z  100  6  9

2.6 apply、assign

apply

# 对列 'A' 的值加倍
df['A'] = df['A'].apply(lambda x: x * 2)# 运行结果A  B  C
x    2  2  7
y  200  4  8
z  200  6  9

assign
assign 方法可以创建新列或覆盖现有列，并返回一个新的 DataFrame（原 DataFrame 不会被修改）。

# 添加新列 'D'，其值为列 'A' 和 'B' 的和
df_new = df.assign(D=df['A'] + df['B'])# 运行结果A  B  C    D
x    2  2  7    4
y  200  4  8  204
z  200  6  9  206

2.7 修改行数据

# 修改行 'x' 的所有值
df.loc['x'] = [10, 20, 30]# 运行结果A   B   C
x   10  20  30
y  200   4   8
z  200   6   9

2.8 at、iat，用于快速访问和修改单个值的方法

at : 基于标签
iat : 基于位置

# 使用 at 修改单个值
df.at['x', 'A'] = 100# 使用 iat 修改单个值
df.iat[1, 1] = 50# 运行结果A   B   C
x  100  20  30
y  200  50   8
z  200   6   9

2.9 mask 和 where 赋值

mask：将满足条件的值替换为指定值。
where：将不满足条件的值替换为指定值。

# 使用 mask 将列 'A' 中大于 100 的值替换为 -1
df['A'] = df['A'].mask(df['A'] > 100, -1)# 使用 where 将列 'B' 中小于等于 20 的值替换为 -1
df['B'] = df['B'].where(df['B'] > 20, -1)# 运行结果A   B   C
x  100  -1  30
y   -1  50   8
z   -1  -1   9

三、Series、 DataFrame 排序

Series
- 对象.sort_index(ascending=True, inplace=False)
- 对象.sort_values(ascending=True, inplace=False, na_position=‘last’)
DataFrame
- 对象.sort_index(axis=0, ascending=True, inplace=False)
- 对象.sort_values(by, ascending=True, inplace=False, na_position=‘last’)
参数解释：
- ascending : 升序, 默认 True
- inplace : 原地修改, 默认False, 则返回一个新的对象
- na_position: 缺失值的位置，'last'（默认）或 'first'。
- by：排序依据的列名或列名列表。

3.1 Series 排序

s = pd.Series([3, 1, 4, 1, 5], index=['a', 'b', 'c', 'd', 'e'])# 按值升序排序
sorted_s = s.sort_values()# 运行结果
b    1
d    1
a    3
c    4
e    5
dtype: int64# 按索引降序排序
sorted_s = s.sort_index(ascending=False)
e    5
d    1
c    4
b    1
a    3
dtype: int64

3.2 DataFrame 排序

单列排序
多列排序

df = pd.DataFrame({'A': [3, 1, 4, 1, 5],'B': [9, 2, 5, 3, 8],'C': [7, 6, 8, 4, 2]
})# 按单列 'A' 升序排序
sorted_df = df.sort_values(by='A')# 运行结果A  B  C
1  1  2  6
3  1  3  4
0  3  9  7
2  4  5  8
4  5  8  2# 多列排序 按列 'A' 升序，列 'B' 降序排序
sorted_df = df.sort_values(by=['A', 'B'], ascending=[True, False])# 运行结果A  B  C
3  1  3  4
1  1  2  6
0  3  9  7
2  4  5  8
4  5  8  2# 按行索引降序排序
sorted_df = df.sort_index(ascending=False)# 运行结果A  B  C
4  5  8  2
3  1  3  4
2  4  5  8
1  1  2  6
0  3  9  7

3.3 处理缺失值

在排序时，可以通过 na_position 参数控制缺失值的位置。

# 创建一个包含缺失值的 DataFrame
df = pd.DataFrame({'A': [3, 1, None, 1, 5],'B': [9, 2, 5, 3, 8]
})# 按列 'A' 排序，缺失值放在最前面
sorted_df = df.sort_values(by='A', na_position='first')# 运行结果A  B
2  NaN  5
1  1.0  2
3  1.0  3
0  3.0  9
4  5.0  8